CN111344711A - 图像采集方法及装置 - Google Patents
图像采集方法及装置 Download PDFInfo
- Publication number
- CN111344711A CN111344711A CN201880071472.2A CN201880071472A CN111344711A CN 111344711 A CN111344711 A CN 111344711A CN 201880071472 A CN201880071472 A CN 201880071472A CN 111344711 A CN111344711 A CN 111344711A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- band
- images
- image acquisition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000000463 material Substances 0.000 claims abstract description 109
- 238000001228 spectrum Methods 0.000 claims abstract description 63
- 230000004927 fusion Effects 0.000 claims abstract description 55
- 230000003287 optical effect Effects 0.000 claims abstract description 45
- 230000010287 polarization Effects 0.000 claims abstract description 38
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 7
- 238000005286 illumination Methods 0.000 description 14
- 230000003595 spectral effect Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 230000004313 glare Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000005562 fading Methods 0.000 description 4
- 238000002493 microarray Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
- G06K7/1465—Methods for optical code recognition the method including quality enhancement steps using several successive scans of the optical code
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种图像采集方法,包括:采集一个或一个以上光学参数下的两个或两个以上的素材图像,一所述素材图像对应所述光学参数的一参数区间,所述光学参数至少包括偏振方向和光谱中的至少一种(S102);对所述采集的素材图像进行图像融合,得到用于特征识别的目标图像(S104)。同时也公开了一种图像采集装置。采用该方法,可最大限度地提高采集图像的信息量,从而提高图像识别的准确率。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种图像采集方法及装置。
背景技术
在传统技术中,条码和二维码识别技术具有数据获取、自动识别、快速响应等功能,具有制作便捷,成本低廉,使用方便,技术完善等特点,在日常生活中的身份验证,在线支付,信息标识等场景中为使用者提供了十分便利的人机交互体验。
传统技术中的条码和二维码识别技术包含两个环节,其一为条码和二维码图像信息的采集和获取,其二为针对条码和二维码图像信息的识别。然而,若条码和二维码图像信息的采集和获取环节出现条码或二维码图像不清晰的情况,则会大大影响条码和二维码图像识别的准确率。
例如,印刻在高反光弧面或透明/半透明材料上面的条码或者二维码图案,因光源角度的问题造成了高反光弧面上的条码或二维码图像亮度非常不均匀,甚至会出现一半亮一半暗的阴阳码,这种情况下,普通读码器采集的条码或者二维码图象即十分不清楚,信息量遗失严重,使得后续的识别过程要么无法识别出特定信息,要么会识别出错误的信息。
目前针对条码或二维码图像因拍摄时光照不均等原因而产生噪音这一问题,传统技术中虽然采用了中值滤波原理,对条码和二维码图像进行了降噪处理,结合了自适应亮度的二值化处理方法,解决了条码和二维码图像光照不均等问题,但是对于高反光弧面或透明/半透明材料二维码的检测,二维码因穿孔、污损等引起局部损坏情况下识别仍然存在准确度较低或无法识别的问题。
发明内容
基于此,为提高图像采集得到的待识别图像包含的特征信息的信息量,从而解决现有技术中的图像识别由于图像采集过程由于光照角度和待识别图像本身较模糊而引起的识别准确率较低的技术问题,特提出了一种图像采集方法。
一种图像采集方法,包括:
采集一个或一个以上光学参数下的两个或两个以上的素材图像,一所述素材图像对应所述光学参数的一参数区间,所述光学参数至少包括偏振方向和光谱中的至少一种;
对所述采集的素材图像进行图像融合,得到用于特征识别的目标图像。
在其中一个实施例中,所述采集一个或一个以上光学参数下的两个或两个以上的素材图像包括:
通过高光谱图像采集元件和/或偏振光图像采集元件采集两个或两个以上的素材图像,所述高光谱图像采集元件对应的光学参数为光谱,所述偏振光图像采集元件对应的光学参数为偏振方向。
在其中一个实施例中,所述对所述采集的素材图像进行图像融合,得到用于特征识别的目标图像包括:
对所述素材图像进行小波分解,得到两个或两个以上的与子带频谱对应的子带图像;
将属于同一子带频谱的子带图像按照预设的融合策略融合为子带目标图像;
对各子带频谱对应的子带目标图像进行小波逆变换,得到用于特征识别的目标图像。
在其中一个实施例中,所述将属于同一子带频谱的子带图像按照预设的融合策略融合为子带目标图像包括:
将属于同一子带频谱的子带图像划分为两个或两个以上的区域;
将同一子带频谱的子带图像在各所述区域的区域图像按照预设的融合策略融合,得到子带目标图像。
在其中一个实施例中,所述将同一子带频谱的子带图像在各所述区域的区域图像按照预设的融合策略融合包括:
计算所述子带图像在各所述区域各自对应的区域图像的区域方差;
根据所述区域方差计算各区域图像的相似度;
根据所述相似度的大小采用选择或加权合并的方式将所述区域图像融合。
在其中一个实施例中,所述得到用于特征识别的目标图像之后还包括:
对所述目标图像进行二维码/条形码识别。
此外,为提高图像采集得到的待识别图像包含的特征信息的信息量,从而解决现有技术中的图像识别由于图像采集过程由于光照角度和待识别图像本身较模糊而引起的识别准确率较低的技术问题,特提出了一种图像采集装置。
一种图像采集装置,包括:
素材图像获取模块,采集一个或一个以上光学参数下的两个或两个以上的素材图像,一所述素材图像对应所述光学参数的一参数区间,所述光学参数至少包括偏振方向和光谱中的至少一种;
图像融合模块,对所述采集的素材图像进行图像融合,得到用于特征识别的目标图像。
在其中一个实施例中,所述素材图像获取模块用于通过高光谱图像采集元件和/或偏振光图像采集元件采集两个或两个以上的素材图像,所述高光谱图像采集元件对应的光学参数为光谱,所述偏振光图像采集元件对应的光学参数为偏振方向。
在其中一个实施例中,所述图像融合模块还用于对所述素材图像进行小波分解,得到两个或两个以上的与子带频谱对应的子带图像;将属于同一子带频谱的子带图像按照预设的融合策略融合为子带目标图像;对各子带频谱对应的子带目标图像进行小波逆变换,得到用于特征识别的目标图像。
在其中一个实施例中,所述图像融合模块还用于将属于同一子带频谱的子带图像划分为两个或两个以上的区域;将同一子带频谱的子带图像在各所述区域的区域图像按照预设的融合策略融合,得到子带目标图像。
在其中一个实施例中,所述图像融合模块还用于计算所述子带图像在各所述区域各自对应的区域图像的区域方差;根据所述区域方差计算各区域图像的相似度;根据所述相似度的大小采用选择或加权合并的方式将所述区域图像融合。实施本发明实施例,将具有如下有益效果:
采用了上述图像采集方法及装置之后,对于光照方向引起的眩光的干扰,可通过采集不同的偏振方向下的素材图像,然后将其融合来避免在特定光照方向下反射产生偏振光对采集图像中特征信息的干扰,而将在其他偏振方向下采集到的被眩光掩盖的特征信息作为补充融合到最终采集的待识别图像中;同时,对于透明或半透明的待识别图片,或者底色褪色或受污染发生模糊不清的待识别图片,可通过采集不同光谱谱段下的素材图像,并提取各谱段下的素材图像各自包含的特征信息,通过图像融合添加到最终采集的待识别图像中。这就使得采集的待识别图像最大限度地包含了待识别图片中的特征信息,进一步地提高了后续图像识别的准确率。
附图说明
下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中一种图像采集系统的架构图;
图2为另一个实施例中一种图像采集方法的流程图;
图3为一个实施例中将多个偏振方向的素材图像融合的示意图;
图4为一个实施例中将多个光谱谱段的素材图像融合的示意图;
图5为一个实施例中基于小波变换的图像融合过程的流程图;
图6为一个实施例中区域图像融合过程的示意图;
图7为一个实施例一种图像采集装置的示意图;
图8为一个实施例中运行前述图像采集方法的计算机系统的组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为解决现有技术中的图像识别技术中,特别是条形码、二维码,例如QR码(英文:Quick Response Code,中文:快速响应码)的识别过程中,由于容易受到光照方向不均匀、或条形码/二维码图片本身透明度的影响,从而导致的待识别图像质量不高、特征不明显,进而导致的图像识别准确度较低的技术问题,本发明特提出了一种图像采集方法、装置以及用于实施所述图像采集方法的一种图像采集系统。
在一个实施例中,本发明提出的图像采集方法的实现基于如图1所示的图像采集系统,该系统与传统的二维码或条形码的读码器相比,感光元件的选取不同,传统技术中采用相机或其他CMOS、CCD等光电传感器拍摄一张二维码或条形码的图片即可完成待识别图像的采集,而在本实施例的图像采集系统中,使用了高光谱图像采集元件和/或偏振光图像采集元件作为图像采集的传感器设备,其中高光谱图像采集元件可采集多个光谱谱段下的多光谱图像,并可提取出特定谱段下对应的谱段图像;而偏振光图像采集元件可采集多个偏振方向下的多个图像,或者说每个特定的偏振方向采集一个图像。
在本实施例中,该图像采集系统还可包括图像处理芯片,可将高光谱图像采集元件采集的多个光谱区间的素材图像融合为待识别图像,或者可将偏振光图像采集元件采集的多个照射方向下的素材图像融合为待识别图像,或者可将高光谱图像采集元件和偏振光图像采集元件采集的素材图像融合为待识别图像。
在其他实施例中,也可直接将高光谱图像采集元件采集的素材图像和/或偏振光图像采集元件采集的素材图像发送给外接的计算机设备,由计算机设备对这些素材图像进行处理和图像融合,得到待识别图像。
具体的,如图2所示,基于该图像采集系统的图像采集方法包括:
步骤S102:采集一个或一个以上光学参数下的两个或两个以上的素材图像,一所述素材图像对应所述光学参数的一参数区间,所述光学参数至少包括偏振方向和光谱中的至少一种。
在一实施例中,运行此方法的图像采集系统仅包含偏振光图像采集元件,图像采集所依赖的光学参数即为偏振方向这一单一光学参数,不同的偏振方向的角度即对应着偏振方向的参数区间,偏振光图像采集元件采集的多个偏振的角度下的图像,即为用于后期图像融合的素材图像。例如,在偏振光图像采集元件自身的坐标系中,以45度的角度范围作为参数区间,可采集8张图片作为后续图像融合的素材图像。
通过偏振光图像采集元件采集多个偏振方向下的素材图片的意义在于,当待识别图像附着在光滑的介质表面时,在一定光照角度下(称为布儒斯特角,与物质的折射率有关),反射形成的眩光是偏振光,而眩光产生的光暗的强烈区分是对待识别图像的采集过程的最大干扰。在这种情况下,通过采集多个偏振方向下的素材图片即可避开引起眩光的偏振光,而通过其他偏振方向的素材图像融合得到不受眩光干扰的待识别图像。
在另一个实施例中,运行此方法的图像采集系统仅包含高光谱图像采集元件,图像采集所依赖的光学参数即为频谱这一单一光学参数,不同的波长长度的区间即对应着频谱的参数区间,高光谱图像采集元件采集的多个谱段(波长区间)下的图像,即为用于后期图像融合的素材图像。例如,可以特定的波长长度作为参数区间,可采集预定数量的图片作为后续图像融合的素材图像,也可以紫外线、可见光、近红外光和其他光等非特定长度的波长区间作为参数区间采集。高光谱图像采集元件采集的图像为高光谱图像,可分别提取相应参数区间下的图像作为素材图像。
通过高光谱图像采集元件采集多个偏振方向下的素材图片的意义在于,当待识别图像的纹路和底色之间颜色相近不清晰时,例如二维码/条形码的白色背景材质由于长期使用变黄,或由于污浊物附着发黑使得原先的白色背景与代表特征的特征纹路在可见光下难以区分时,通过高光谱图像采集元件可采集到各波长区间下该待识别图像的成像情况,由于待识别图像的底色与特征部分在不同波长区间的素材图像(即相应波长区间的谱段对应采集的图像)的对比度不同,因此使用一定的图像融合方法,可以对比度较优的素材图像作为基础融合得到质量较高的待识别图像。
在另一个实施例中,运行此方法的图像采集系统可既包含偏振光图像采集元件,同时也包含高光谱图像采集元件,也就是说图像采集系统采集多张素材图片时,不仅考量不同的偏振方向,同时也考量不同的光谱波段。例如,可在偏振方向1,波段1采集素材图像1,在偏振方向1,波段2采集素材图像2,在偏振方向2,波段1采集素材图像3。当偏振方向的参数区间有m个,波长区间的参数区间有n个,则理论上可采集m×n个素材图像,但实际应用中,可根据实际情况对其进行筛选,对采集的素材图像进行过滤,在计算能力适配的情况下,在该m×n个素材图像的集合中选择合适的素材图像用于图像融合。
进一步的,在本实施例中,图像采集系统还可集成图像采集的微结构阵列,即结合了深度学习人工智能算法的芯片,微阵列结构可以是偏振微阵列、光谱微阵列,或两者的组合微阵列,能有效采集包括光强、相位、光谱、入射、偏振方向等多个维度的光学信息。此种光芯片集成度非常高,同时也非常小巧轻便。
步骤S104:对所述采集的素材图像进行图像融合,得到用于特征识别的目标图像。
图像融合,即为将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等,最大限度的提取各自信道中的有利信息,最后综合成高质量的图像的过程。在本实施例中,即为将多个素材图像中各边缘、轮廓、纹路等信息提取,并综合成能够最大限度反应二维码/条形码特征的高质量图像的过程。
参考图3所示,图3所示的为光学参数为偏振方向时,将偏振光图像采集元件采集的素材图像融合的过程。对于贴合在非水平面上的二维码/条形码图像而言,由于光照角度的问题,可能会在二维码/条形码图片的表面产生布儒斯特效应,从而产生造成眩光特效的偏振光,从而造成传统图像采集装置采集的待识别图片中,出现大块光斑,而遮掩了原图片中的特征部分。然而,通过偏振光图像采集元件采集多个偏振方向下的多个素材图片,则可在某些偏振方向上获得部分清晰的图片,而在另一些偏振方向上,采集到其他部分的清晰的图片。将这些部分清晰的素材图片通过图像融合拼接在一起,即可得到照度完好的待识别图像。
因此,偏振光图像采集元件采集多偏振角度下的素材图像然后将其融合,规避了光照角度产生的眩光对采集的带识别图像的干扰,使得融合后的待识别图像更加清晰。
再参考图4所示,图4所示的为光学参数为光谱时,将高光谱图像采集元件采集的素材图像融合的过程。对于图片本身的底色或特征部分由于褪色、污染,等影响,或由于透明或半透明造成的模糊不清的二维码/条形码图像而言,通过传统图像采集装置(仅采集可见光所处的频谱的光信号或红外线所处的频谱的光信号等特定单一谱段的光信号)采集的待识别图片,在可见光的光谱范围内会采集到如肉眼所示的模糊不清的待识别图像,这就对后续的图像识别带来困难。
通过高光谱图像采集元件采集多个谱段即多个波长区间下的多个素材图片,则可在某些波长区间下获得对比度相对较高的图片,或者部分区域对比度较高的图片,而在另一些波长区间下,获得其他部分对比度相对较高的图片。将这些对比度较高的素材图片通过图像融合,即可得到对比度较好的待识别图像,从而便于后续的图像识别。
因此,高光谱图像采集元件采集多光谱谱段下的素材图像然后将其融合,规避了待识别图片本身的透明或半透明,褪色、污染等原因产生的模糊不清的情况,使得融合后的待识别图像更加清晰。
在本实施例中,对素材图像的图像融合主要基于小波变换的方法。小波变换的固有特性使其在图像处理中有如下优点:完善的重构能力,保证信号在分解过程中没有信息损失和冗余信息;把图像分解成平均图像和细节图像的组合,分别代表了图像的不同结构,因此容易提取原始图像的结构信息和细节信息;小波分析提供了与人类视觉系统方向相吻合的选择性图像。通过小波变换对一张图像进行频域分析,可将一张素材图像在频域分解成多个图像,每个图像即对应相应的子带频谱,与子带频谱对应的分解后的图像即为子带图像。
具体的,如图5所示,通过小波分解的图像融合方式包括以下步骤:
步骤S202:对所述素材图像进行小波分解,得到两个或两个以上的与子带频谱对应的子带图像。
素材图像的小波分解即为选择合适的小波基对素材图像在频域分解为多个子图像,每个小波基的频率即为相应的子带频谱,每个子图像即为相应的子带频谱对应的子带图像。在本实施例中,小波基函数的选择不限于特定的方法,小波分解的尺度和分解系数也并不限定,可根据实际情况进行选择。
在小波分解中,低频谱的子带图像对应的是图像的背景和底色部分,而高频谱的子带图像则对应着图像中边缘和纹理的特征部分。
例如,若尺度选择为1,素材图像每次分解使用两个正交的小波基,则在第一次分解得到L1和H1两个子带图像,然后将H1继续进行分解得到L2和H2两个子带图像,再将H2继续分解得到L3和H3两个子带图像。最终得到素材图像的子带图像为L1、L2、L3和H3。
步骤S204:将属于同一子带频谱的子带图像按照预设的融合策略融合为子带目标图像。
步骤S206:对各子带频谱对应的子带目标图像进行小波逆变换,得到用于特征识别的目标图像。
如上例中,对于素材图像A和B,素材图像A分解后的子带图像为LA1、LA2、LA3、HA3,素材图像B分解后的子带图像为LB1、LB2、LB3和HB3。子带图像的融合即为将LA1和LB1融合为LF1,LA2和LB2融合为LF2,LA2和LB2融合为LF2、LA3和LB3融合为LF3,HA1和HB1融合为HF1。
在得到了LF1、LF2、LF3和HF1之后,则再通过小波逆变换,将频域的LF1、LF2、LF3和HF1逆变换为时域的待识别图像F。
进一步的,将属于同一子带频谱的子带图像按照预设的融合策略融合为子带目标图像包括:
将属于同一子带频谱的子带图像划分为两个或两个以上的区域;将同一子带频谱的子带图像在各所述区域的区域图像按照预设的融合策略融合,得到子带目标图像。
以子带图像LA1和LB1融合为例,可将LA1和LB1各自划分为N×N个区域,如图6所示,可划分为3×3个区域,位置序号依次为1至9,则子带图像LA1包含A1至A9九个子区域,LB1包含B1至B9九个对应的子区域。
融合策略可包括选择和加权合并两种方式,如对于位置序号1和2两个区域(在子带图像LA1中对应位置的区域图像即为A1和A2,在子带图像LB1中对应位置的区域图像即为B1和B2),LA1在该两个位置的特征不明显,而LB1在该两个位置的特征明显,因此,对于位置序号1和2两个区域,可选择LB1的B1和B2两个区域图像作为融合后的子带图像LF1在位置序号1和2两个区域的区域图像F1和F2。
相应的,对于位置序号6、7和9,LA1在该三个位置的特征明显,而LB1在该三个位置的特征明显,因此,对于位置序号6、7和9三个区域,可选择LA1的A6、A7和A9三个区域图像作为融合后的子带图像LF1在位置序号6、7和9的三个区域的区域图像F6、F7和F9。
而对于位置序号3、4、5和8四个位置,LA1和LB1在此四位置均包含了并不突出但具有差异的特征,则可将A3、A4、A5和A8与B3、B4、B5和B8各自按位置加权合并融合,得到子带图像LF1在位置序号3、4、5和8四个区域的区域图像F3、F4、F5和F8。
经上述融合后可看出,最终待识别图像的子带图像LF1在位置序号1至9处的区域图像F1至F9均包含了较好的图像特征。
进一步的,将同一子带频谱的子带图像在各所述区域的区域图像按照预设的融合策略融合包括:
计算所述子带图像在各所述区域各自对应的区域图像的区域方差;根据所述区域方差计算各区域图像的相似度;根据所述相似度的大小采用选择或加权合并的方式将所述区域图像融合。
在一个实施例中,设R(x)为素材图像x经过小波分解后的子带图像的子带系数矩阵,l为子带图像的位置或位置序号,R(x,p)表示在位置l处的分解系数的值,X(x,l)和u(x,l)分别表示图像x中各子带矩阵l位置的区域大小为Q的区域方差和平均值,且:
X(x,l)=∑|R(x,q)-u(x,l)|2
其中q表示区域Q内的点。
可通过以下公式计算素材图像A和B在区域Q的相似度:
该相似度MA,B(l)反应了两幅图像区域方差的相似程度。当素材图像A和B在l处的子带图像的区域图像越相似,则相似度MA,B(l)越趋近于1;当素材图像A和B在l处的子带图像的区域图像越不同,则相似度MA,B(l)越趋近于0。
在本实施例中,区域图像在融合时,采用选择的策略还是加权合并的策略依赖于相似度MA,B(l)的大小,可引入相似度阈值T,通过比较相似度MA,B(l)和相似度阈值T的大小,来确定采用选择的策略还是加权合并的策略。当相似度MA,B(l)较大时,可采用加权合并融合的策略,MA,B(l)较小时,采用选择的策略,即:
当MA,B(l)<T时,可采用:
即选择区域方差较大的素材图像的子带图像在该区域的区域图像,这是由于区域方差较大的区域通常为特征较明显的区域,包含边缘、纹理、信息量较大的差异,而区域方差较大的区域通常为背景,纯色等区域。选择区域方差较大的素材图像的子带图像在该区域的区域图像,则选择了包含边缘、纹理等特征信息较多的区域图像作为融合后图像在该区域的子带图像,这样就包含了更多的特征信息,从而使得可识别的准确度较高。
而当MA,B(l)>T时,可采用加权融合策略:
也就是说,当相似度较大时,较多地选择区域方差较大的素材图像的子带图像在该区域的区域图像,较少地选择区域方差较大的素材图像的子带图像在该区域的区域图像,然后通过相应的加权系数Wmax和Wmin将其加权融合,其中Wmax为区域方差较大的素材图像的子带图像在该区域的区域图像的加权系数,Wmin为区域方差较小的素材图像的子带图像在该区域的区域图像的加权系数,且Wmax和Wmin的和为1。
在本实施例中,Wmax和Wmin被设定为:
需要说明的是,在其他实施例中,Wmax和Wmin也可根据实际场景进行设置。选择合适的Wmax和Wmin可使得融合后的图像保留更多的特征信息。
采用此种策略加权融合各素材图像的子带图像在某区域的区域图像,既较大限度地保留了区域方差相对较大的素材图像的子带图像中包含的特征信息,也兼顾了区域方差相对较小的素材图像的子带图像中包含的特征信息,保证了特征信息不至于遗漏,从而使得融合后图像在该区域的子带图像能够包含更多的特征信息,从而使得可识别的准确度较高。
上述图像采集方法主要可应用于二维码/条形码识别的应用场景,在得到用于特征识别的目标图像之后,即可对目标图像进行二维码/条形码识别。上述图像采集方法也可应用于其他图像识别的领域,例如人脸识别、车辆检测、安检安防等多种需要对图像采集并识别其中特征的应用场景,本发明的该图像采集方法并不限于前文所述的二维码/条形码识别过程。
在一个实施例中,针对上述图像采集方法,还与之对应地提供了一种图像采集装置,具体的,如图7所示,包括素材图像获取模块102和图像融合模块104,其中:
素材图像获取模块102,采集一个或一个以上光学参数下的两个或两个以上的素材图像,一所述素材图像对应所述光学参数的一参数区间,所述光学参数至少包括偏振方向和光谱中的至少一种。
图像融合模块104,对所述采集的素材图像进行图像融合,得到用于特征识别的目标图像。
在一个实施例中,素材图像获取模块102用于通过高光谱图像采集元件和/或偏振光图像采集元件采集两个或两个以上的素材图像,所述高光谱图像采集元件对应的光学参数为光谱,所述偏振光图像采集元件对应的光学参数为偏振方向。
在一个实施例中,图像融合模块104还用于对所述素材图像进行小波分解,得到两个或两个以上的与子带频谱对应的子带图像;将属于同一子带频谱的子带图像按照预设的融合策略融合为子带目标图像;对各子带频谱对应的子带目标图像进行小波逆变换,得到用于特征识别的目标图像。
在一个实施例中,图像融合模块104还用于将属于同一子带频谱的子带图像划分为两个或两个以上的区域;将同一子带频谱的子带图像在各所述区域的区域图像按照预设的融合策略融合,得到子带目标图像。
在一个实施例中,图像融合模块104还用于计算所述子带图像在各所述区域各自对应的区域图像的区域方差;根据所述区域方差计算各区域图像的相似度;根据所述相似度的大小采用选择或加权合并的方式将所述区域图像融合。
实施本发明实施例,将具有如下有益效果:
采用了上述图像采集方法及装置之后,对于光照方向引起的眩光的干扰,可通过采集不同的偏振方向下的素材图像,然后将其融合来避免在特定光照方向下反射产生偏振光对采集图像中特征信息的干扰,而将在其他偏振方向下采集到的被眩光掩盖的特征信息作为补充融合到最终采集的待识别图像中;同时,对于透明或半透明的待识别图片,或者底色褪色或受污染发生模糊不清的待识别图片,可通过采集不同光谱谱段下的素材图像,并提取各谱段下的素材图像各自包含的特征信息,通过图像融合添加到最终采集的待识别图像中。这就使得采集的待识别图像最大限度地包含了待识别图片中的特征信息,进一步地提高了后续图像识别的准确率。
在一个实施例中,如图8所示,图8展示了一种运行上述图像采集方法的基于冯诺依曼体系的计算机系统。具体的,可包括通过系统总线连接的外部输入接口1001、处理器1002、存储器1003和输出接口1004。其中,外部输入接口1001可选的可至少包括网络接口10012和USB接口10014。存储器1003可包括外存储器10032(例如硬盘、光盘或软盘等)和内存储器10034。输出接口1004可至少包括显示屏10042等设备。
在本实施例中,本方法的运行基于计算机程序,该计算机程序的程序文件存储于前述基于冯诺依曼体系的计算机系统10的外存储器10032中,在运行时被加载到内存储器10034中,然后被编译为机器码之后传递至处理器1002中执行,从而使得基于冯诺依曼体系的计算机系统10中形成逻辑上的素材图像获取模块102和图像融合模块104。且在上述图像采集方法执行过程中,输入的参数均通过外部输入接口1001接收,并传递至存储器1003中缓存,然后输入到处理器1002中进行处理,处理的结果数据或缓存于存储器1003中进行后续地处理,或被传递至输出接口1004进行输出。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (11)
1.一种图像采集方法,其特征在于,包括:
采集一个或一个以上光学参数下的两个或两个以上的素材图像,一所述素材图像对应所述光学参数的一参数区间,所述光学参数至少包括偏振方向和光谱中的至少一种;
对所述采集的素材图像进行图像融合,得到用于特征识别的目标图像。
2.根据权利要求1所述的图像采集方法,其特征在于,所述采集一个或一个以上光学参数下的两个或两个以上的素材图像包括:
通过高光谱图像采集元件和/或偏振光图像采集元件采集两个或两个以上的素材图像,所述高光谱图像采集元件对应的光学参数为光谱,所述偏振光图像采集元件对应的光学参数为偏振方向。
3.根据权利要求1所述的图像采集方法,其特征在于,所述对所述采集的素材图像进行图像融合,得到用于特征识别的目标图像包括:
对所述素材图像进行小波分解,得到两个或两个以上的与子带频谱对应的子带图像;
将属于同一子带频谱的子带图像按照预设的融合策略融合为子带目标图像;
对各子带频谱对应的子带目标图像进行小波逆变换,得到用于特征识别的目标图像。
4.根据权利要求3所述的图像采集方法,其特征在于,所述将属于同一子带频谱的子带图像按照预设的融合策略融合为子带目标图像包括:
将属于同一子带频谱的子带图像划分为两个或两个以上的区域;
将同一子带频谱的子带图像在各所述区域的区域图像按照预设的融合策略融合,得到子带目标图像。
5.根据权利要求4所述的图像采集方法,其特征在于,所述将同一子带频谱的子带图像在各所述区域的区域图像按照预设的融合策略融合包括:
计算所述子带图像在各所述区域各自对应的区域图像的区域方差;
根据所述区域方差计算各区域图像的相似度;
根据所述相似度的大小采用选择或加权合并的方式将所述区域图像融合。
6.根据权利要求1至5任一项所述的图像采集方法,其特征在于,所述得到用于特征识别的目标图像之后还包括:
对所述目标图像进行二维码/条形码识别。
7.一种图像采集装置,其特征在于,包括:
素材图像获取模块,采集一个或一个以上光学参数下的两个或两个以上的素材图像,一所述素材图像对应所述光学参数的一参数区间,所述光学参数至少包括偏振方向和光谱中的至少一种;
图像融合模块,对所述采集的素材图像进行图像融合,得到用于特征识别的目标图像。
8.根据权利要求7所述的图像采集装置,其特征在于,所述素材图像获取模块用于通过高光谱图像采集元件和/或偏振光图像采集元件采集两个或两个以上的素材图像,所述高光谱图像采集元件对应的光学参数为光谱,所述偏振光图像采集元件对应的光学参数为偏振方向。
9.根据权利要求8所述的图像采集装置,其特征在于,所述图像融合模块还用于对所述素材图像进行小波分解,得到两个或两个以上的与子带频谱对应的子带图像;将属于同一子带频谱的子带图像按照预设的融合策略融合为子带目标图像;对各子带频谱对应的子带目标图像进行小波逆变换,得到用于特征识别的目标图像。
10.根据权利要求9所述的图像采集装置,其特征在于,所述图像融合模块还用于将属于同一子带频谱的子带图像划分为两个或两个以上的区域;将同一子带频谱的子带图像在各所述区域的区域图像按照预设的融合策略融合,得到子带目标图像。
11.根据权利要求10所述的图像采集装置,其特征在于,所述图像融合模块还用于计算所述子带图像在各所述区域各自对应的区域图像的区域方差;根据所述区域方差计算各区域图像的相似度;根据所述相似度的大小采用选择或加权合并的方式将所述区域图像融合。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/120445 WO2020118538A1 (zh) | 2018-12-12 | 2018-12-12 | 图像采集方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111344711A true CN111344711A (zh) | 2020-06-26 |
CN111344711B CN111344711B (zh) | 2024-05-28 |
Family
ID=
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163627A (zh) * | 2020-10-09 | 2021-01-01 | 北京环境特性研究所 | 目标物体的融合图像生成方法、装置及系统 |
CN112766250A (zh) * | 2020-12-28 | 2021-05-07 | 合肥联宝信息技术有限公司 | 一种图像处理方法、设备及计算机可读存储介质 |
CN115265781A (zh) * | 2022-07-14 | 2022-11-01 | 长春理工大学 | 一种快速面阵偏振光谱图像获取系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005029015A2 (en) * | 2003-06-25 | 2005-03-31 | The University Of Akron | Multispectral, multifusion, laser-polarimetric optical imaging system |
CN105139367A (zh) * | 2015-07-27 | 2015-12-09 | 中国科学院光电技术研究所 | 一种基于非下采样剪切波的可见光偏振图像融合方法 |
CN107918748A (zh) * | 2017-10-27 | 2018-04-17 | 南京理工大学 | 一种多光谱二维码识别装置及方法 |
CN108090490A (zh) * | 2016-11-21 | 2018-05-29 | 南京理工大学 | 一种基于多光谱偏振成像的隐身目标检测系统及方法 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005029015A2 (en) * | 2003-06-25 | 2005-03-31 | The University Of Akron | Multispectral, multifusion, laser-polarimetric optical imaging system |
CN105139367A (zh) * | 2015-07-27 | 2015-12-09 | 中国科学院光电技术研究所 | 一种基于非下采样剪切波的可见光偏振图像融合方法 |
CN108090490A (zh) * | 2016-11-21 | 2018-05-29 | 南京理工大学 | 一种基于多光谱偏振成像的隐身目标检测系统及方法 |
CN107918748A (zh) * | 2017-10-27 | 2018-04-17 | 南京理工大学 | 一种多光谱二维码识别装置及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163627A (zh) * | 2020-10-09 | 2021-01-01 | 北京环境特性研究所 | 目标物体的融合图像生成方法、装置及系统 |
CN112163627B (zh) * | 2020-10-09 | 2024-01-23 | 北京环境特性研究所 | 目标物体的融合图像生成方法、装置及系统 |
CN112766250A (zh) * | 2020-12-28 | 2021-05-07 | 合肥联宝信息技术有限公司 | 一种图像处理方法、设备及计算机可读存储介质 |
CN112766250B (zh) * | 2020-12-28 | 2021-12-21 | 合肥联宝信息技术有限公司 | 一种图像处理方法、设备及计算机可读存储介质 |
CN115265781A (zh) * | 2022-07-14 | 2022-11-01 | 长春理工大学 | 一种快速面阵偏振光谱图像获取系统及方法 |
CN115265781B (zh) * | 2022-07-14 | 2024-04-09 | 长春理工大学 | 一种快速面阵偏振光谱图像获取系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020118538A1 (zh) | 2020-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046703B (zh) | 人脸防伪检测方法、装置及多目相机 | |
Farid | Image forgery detection | |
CN109271921B (zh) | 一种多光谱成像的智能识别方法及系统 | |
EP3719694A1 (en) | Neural network model-based human face living body detection | |
WO2010044250A1 (ja) | パターン照合装置及びパターン照合方法 | |
Raghavendra et al. | Exploring the usefulness of light field cameras for biometrics: An empirical study on face and iris recognition | |
CN107077602A (zh) | 用于活性分析的系统及方法 | |
KR20150022016A (ko) | 얼굴 검증용 시스템들 및 방법 | |
CN104683767A (zh) | 透雾图像生成方法及装置 | |
CN103247036A (zh) | 多曝光图像融合方法和装置 | |
CN111462128A (zh) | 一种基于多模态光谱图像的像素级图像分割系统及方法 | |
US20210158108A1 (en) | Object classification method, vehicle control method, information display method, and object classification device | |
CN106023111A (zh) | 一种影像融合质量评价方法及系统 | |
Asmare et al. | Image enhancement by fusion in contourlet transform | |
Süsstrunk et al. | 8.1: Invited Paper: Enhancing the Visible with the Invisible: Exploiting Near Infrared to Advance Computational Photography and Computer Vision | |
Abdelhamed et al. | Leveraging the availability of two cameras for illuminant estimation | |
Sun et al. | Understanding deep face anti-spoofing: from the perspective of data | |
Kınlı et al. | Modeling the lighting in scenes as style for auto white-balance correction | |
US8854501B2 (en) | Image processing apparatus and image processing method for processing spectral image data | |
Cheng et al. | A mutually boosting dual sensor computational camera for high quality dark videography | |
CN111344711B (zh) | 图像采集方法及装置 | |
CN111344711A (zh) | 图像采集方法及装置 | |
Fredembach et al. | Automatic and accurate shadow detection from (potentially) a single image using near-infrared information | |
Qureshi et al. | Current advances in hyperspectral face recognition | |
CN108875472B (zh) | 图像采集装置及基于该图像采集装置的人脸身份验证方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |